余弦相似度 高维数据_推荐系统玩家 之 常见用户相似度计算

作为推荐系统的初级玩家，希望能够总结下各种用户相似度的原理和优缺点。希望对自己以及各位在推荐系统的学习有一点点帮助。下面列举几个常见的用户相似度计算，也希望大家进行补充：

• 欧式距离（Euclidean Distance）
• 曼哈顿距离 (Manhattan Distance)
• 余弦相似度 (Cosine Similarity)
• 皮尔逊相关系数 （Pearson correlation coefficient）

1. 欧式距离

欧氏距离（Euclidean Distance）也称欧几里得距离，指在m维空间中两个点之间的真实距离。这个距离基于我们熟悉的勾股定理，也就是求解三角形的斜边。简单的来说，欧氏距离就是两点之间的实际距离。

其中，

为点

到点

之间的距离。

<